Relative Entropy-based Regularized Non-negative Matrix Factorization for Attributed Graph Clustering

Kamal Berahmand

doi:10.1145/3765742

Relative Entropy-based Regularized Non-negative Matrix Factorization for Attributed Graph Clustering

2025-10-07

0

PRE

AI

DOI：10.1145/3765742

原文求助

摘要

En 中文

属性图聚类是网络挖掘中的一个基础任务，对于在各种应用中挖掘有价值见解至关重要。然而，来自结构和属性空间的信息异质性给实现一致且具有意义的聚类带来了显著挑战。为解决这一问题，我们提出了一种基于相对熵正则化的非负矩阵分解方法（RENMF），该方法通过先进的矩阵分解技术整合结构和属性信息。RENMF采用对称NMF和投影NMF分别从结构和属性空间中提取社区成员分布。通过将这些分布视为同质，RENMF在保留两个空间中独特去噪信息的同时，考虑其异质性互补信息。我们引入相对熵（RE）作为新的正则化项，以促进这些空间之间的交互，旨在最大化所发现潜在分布之间的一致性。在此交互过程中，我们利用RE的反对称特性强调属性作为结构聚类的重要互补信息。RENMF模型通过一种新的迭代乘法更新规则求解，并从理论上证明了其收敛性。我们通过在10个真实网络上的广泛实验评估了RENMF的有效性，并将其与11种最先进的聚类方法进行比较。结果表明，RENMF在匹配真实值和关键质量指标方面具有优越性，优于现有方法。

Relative Entropy-based Regularized Non-negative Matrix Factorization for Attributed Graph Clustering

摘要

期刊

机构

引用论文